[發(fā)明專利]基于多熱編碼的多特征融合深度知識追蹤方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011056680.0
• 申請日: 2020-09-29
• 公開（公告）號: CN112182308B
• 公開（公告）日: 2023-03-24
• 發(fā)明（設(shè)計(jì)）人: 劉三女牙;孫建文;張凱;李卿;栗大智;鄒睿
• 申請（專利權(quán)）人: 華中師范大學(xué)
• 主分類號: G06F16/901
• 分類號: G06F16/901;G06F16/903;G06F17/16;G06F18/214;G06N3/0464
• 代理公司: 武漢東喻專利代理事務(wù)所(普通合伙) 42224
• 代理人: 雷霄

本發(fā)明公開了一種基于多熱編碼的多特征融合深度知識追蹤方法及系統(tǒng)。該方法包括步驟：獲取學(xué)生的答題數(shù)據(jù)集；提取問題編號特征p、技能編號特征s、答題表現(xiàn)特征c、嘗試次數(shù)特征att、首次操作特征act、學(xué)生首次反應(yīng)時(shí)間特征frt；將提取的6個特征轉(zhuǎn)換為分類變量；將問題編號特征p和技能編號特征s進(jìn)行多熱編碼，獲得多熱技能編碼Multi(multi_s)，將其他特征進(jìn)行獨(dú)熱編碼，獲得獨(dú)熱編碼O，將多熱技能編碼Multi(multi_s)和獨(dú)熱編碼O進(jìn)行拼接及降維處理后輸入到深度知識追蹤模型進(jìn)行知識追蹤。本發(fā)明可以提高數(shù)據(jù)集的數(shù)據(jù)利用率，并且實(shí)現(xiàn)多技能的預(yù)測。

技術(shù)領(lǐng)域

本發(fā)明屬于知識追蹤技術(shù)領(lǐng)域，更具體地，涉及基于多熱編碼的多特征融合深度知識追蹤方法及系統(tǒng)。

背景技術(shù)

知識追蹤(Knowledge Tracing)任務(wù)是利用計(jì)算機(jī)技術(shù)，根據(jù)學(xué)生過去的答題記錄，對學(xué)生的知識掌握情況進(jìn)行建模，進(jìn)一步得到學(xué)生當(dāng)前知識狀態(tài)的表示，從而可以準(zhǔn)確預(yù)測學(xué)生在下一次答題時(shí)的表現(xiàn)。其中提到的學(xué)生過去的答題記錄，通常以時(shí)間序列的形式呈現(xiàn)出來。由于題目設(shè)置和考察能力的綜合性，每道問題往往不僅包含一個技能，這也是建立知識追蹤模型非常困難的原因。

目前主流知識追蹤模型將技能編號(skill id)和答題表現(xiàn)(correct)作為模型的輸入，將多個特征引入深度知識追蹤模型，對多特征均進(jìn)行獨(dú)熱編碼，拼接成新的特征向量作為模型的輸入，預(yù)測學(xué)生對下一個問題的回答正確率。

但是現(xiàn)有技術(shù)存在以下缺點(diǎn)：(1)大多數(shù)研究者僅選用技能編號(skill id)和正確性(correct)兩個特征，數(shù)據(jù)利用率低；(2)將多技能問題拆分為多個單技能問題，沒有考慮一道題目同時(shí)考察多個技能的情況，無法預(yù)測多技能問題的表現(xiàn)。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的至少一個缺陷或改進(jìn)需求，本發(fā)明提供了一種基于多熱編碼的多特征融合深度知識追蹤方法及系統(tǒng)，可以提高數(shù)據(jù)集的數(shù)據(jù)利用率，并且實(shí)現(xiàn)多技能的預(yù)測。

為實(shí)現(xiàn)上述目的，按照本發(fā)明的第一方面，提供了一種基于多熱編碼的多特征融合深度知識追蹤方法，包括步驟：

獲取學(xué)生的答題數(shù)據(jù)集，所述答題數(shù)據(jù)集包括多條答題記錄，每條所述答題記錄包括一個問題和一個學(xué)生在回答該問題時(shí)的交互信息，所述問題關(guān)聯(lián)多個技能；

從所述答題數(shù)據(jù)集中提取問題編號特征p、技能編號特征s、答題表現(xiàn)特征c、嘗試次數(shù)特征att、首次操作特征act和學(xué)生首次反應(yīng)時(shí)間特征frt；

將所述問題編號特征p、所述技能編號特征s、所述答題表現(xiàn)特征c、所述嘗試次數(shù)特征att、所述首次操作特征act和所述學(xué)生首次反應(yīng)時(shí)間特征frt轉(zhuǎn)換為分類變量；

將轉(zhuǎn)換為分類變量后的所述問題編號特征p和所述技能編號特征s進(jìn)行多熱編碼，獲得多熱技能編碼Multi(multi_s)，將轉(zhuǎn)換為分類變量后的所述答題表現(xiàn)特征c、所述嘗試次數(shù)特征att、所述首次操作特征act、所述學(xué)生首次反應(yīng)時(shí)間特征frt進(jìn)行獨(dú)熱編碼，獲得獨(dú)熱編碼O，將所述多熱技能編碼Multi(multi_s)和所述獨(dú)熱編碼O進(jìn)行拼接，獲得輸入向量v_t；

將所述輸入向量v_t進(jìn)行降維處理后輸入到深度知識追蹤模型，所述深度知識追蹤模型用于輸出每個技能的預(yù)測值，根據(jù)所述深度知識追蹤模型的輸出確定對下一個問題的預(yù)測結(jié)果。

優(yōu)選的，所述進(jìn)行多熱編碼包括步驟：

遍歷所述答題數(shù)據(jù)集，引入一個嵌入矩陣Q，所述嵌入矩陣Q形式為：Q＝{Q_ij}_M×K，其中M為問題總數(shù)目，K為技能總數(shù)目，在所述嵌入矩陣Q中，每一行對應(yīng)一個問題，每一列對應(yīng)一個技能，所述嵌入矩陣Q中的向量表達(dá)為Q_es：